一種基于非負最小二乘法的腦灌注參數解算方法及系統

本發明涉及醫學影像，尤其涉及一種基于非負最小二乘法的腦灌注參數解算方法及系統。本發明還涉及計算機輔助診斷，尤其涉及一種腦灌注影像的處理方法及系統。

背景技術：

1、灌注成像在急性腦卒中和腫瘤學中應用最為廣泛。當用于腦卒中的診斷時，灌注成像的目的是確定受累組織的范圍，并勾畫可再灌注的缺血組織。在腫瘤學中，灌注成像有助于識別由于新生血管生成而改變局部組織灌注的血管源性腫瘤。

2、缺血性腦卒中(ischemic?stroke,is)，是由于腦供血動脈狹窄或閉塞、腦供血不足導致腦組織缺血、缺氧，從而壞死的嚴重血管事件，具有發病率高、死亡率高和致殘率高的特點。

3、腦血流灌注參數，即血流動力學參數，包括腦血流量(cbf)、腦血容量(cbv)、平均通過時間(mtt)、達峰時間(ttp)和殘余功能的達峰時間(tmax)。通過ctp參數的變化，可以判斷腦細胞病理變化與腦血流動力學變化。腦細胞病理變化分為兩個時期，即梗死前期與梗死期。腦梗死發生后，梗死灶以梗死核心為中心，依次為梗死核心、缺血半暗帶、良性灌注受損區。腦血流動力學變化又有灌注不足、側支循環建立、無灌注(梗死)、血流再灌注、過度灌注。

4、目前，基于反卷積的灌注測量的理論模型是眾所周知的腦血流灌注參數計算模型。涉及反卷積的灌注測量方法，其研究現狀涉及算法改進、臨床驗證、參數優化和機器學習等多個方面。算法改進是對反卷積算法進行優化和改進，利用新的數學模型、更準確的數據處理，提高其在灌注測量中的準確性和可靠性。臨床驗證是利用臨床來評估反卷積方法的效果。這些研究涉及與其他灌注測量方法的比較，或者評估反卷積在特定疾病診斷、治療方案選擇等方面的應用效果。參數優化是優化反卷積算法的參數設置，以獲得更準確和可靠的灌注測量結果。機器學習是利用機器學習算法來改進反卷積的灌注測量，并提高對腦血流狀況的預測能力。

5、例如，cn117274171a公開了一種基于多分支三維神經網絡的腦灌注參數處理方法，首先，構建了三個數據集，包括一個虛擬數據集和兩個真實數據集。虛擬數據集中的各灌注參數是預先設置的，并作為標簽灌注參數的一部分。真實數據集經過預處理和aif評估之后，灌注參數由傳統方法計算得出，并作為標簽灌注參數的另一部分。其次，構建了一個多分支三維卷積神經網絡。然后，利用三個數據集對網絡進行訓練和優化，得到最優網絡。最后，利用最優網絡可實現端到端腦灌注參數的直接測算，將結果生成可視化后交由影像科醫生劃分核心梗死區域并進行一致性分析。

6、再例如，cn114119563a公開了一種腦灌注影像的處理方法，包括：獲取原始腦灌注影像數據，并識別數據類型；對原始腦灌注影像數據進行預處理，并結合數據類型進行時域插值；通過自動檢測算法從時域插值處理后的腦灌注影像數據中自動選擇動脈輸入函數；基于時域插值處理后的腦灌注影像數據和動脈輸入函數，計算灌注參數；從預處理后的原始腦灌注影像數據提取出顱內腦組織區域掩膜，并結合灌注參數對預處理后的原始腦灌注影像數據進行后處理和定量統計。

7、再例如，cn116361650a公開了一種基于深度學習的腦灌注參數解算方法，包括：考慮動脈輸入方程引入的多種誤差，采用數字體模方法仿真生成具有灌注參數金標準的仿真灌注數據集；構建腦灌注參數解算網絡以及無監督損失函數；根據仿真灌注數據集，基于無監督損失函數，預訓練腦灌注參數解算網絡，獲得腦灌注參數解算預訓練網絡，并基于仿真灌注數據集的灌注參數金標準，量化評價腦灌注參數解算預訓練網絡誤差，反向調節網絡超參數，控制網絡性能，獲得最優腦灌注參數解算預訓練網絡；對真實灌注數據集中的灌注數據進行預處理；預處理包括采用基于聚類的方法自動搜索動脈輸入方程，模擬實際診治時醫生采用腦灌注參數解算軟件獲得動脈輸入方程的情況，來模擬真實情況對解算性能的干擾；根據預處理后的真實灌注數據集，基于無監督損失函數，對最優腦灌注參數解算預訓練網絡再訓練，獲得最優灌注參數解算網絡；將待解算的測試灌注數據預處理后，輸入最優灌注參數解算網絡，輸出解算的灌注參數圖。

8、上述現有技術利用反卷積計算腦灌注參數，但是在計算過程中需要人為地進行濾波、動脈輸入等操作，這嚴重依賴于影像科醫生的經驗。因此，如何改進當前的腦灌注參數解算方法，消除對人工經驗的依賴，是當前沒有解決的技術問題。

9、此外，一方面由于對本領域技術人員的理解存在差異；另一方面由于申請人做出本發明時研究了大量文獻和專利，但篇幅所限并未詳細羅列所有的細節與內容，然而這絕非本發明不具備這些現有技術的特征，相反本發明已經具備現有技術的所有特征，而且申請人保留在背景技術中增加相關現有技術之權利。

技術實現思路

1、目前，現有的腦灌注參數解算模型大多利用最小二乘法直接求解反卷積，盡管加入了濾波和正則化以避免a為病態矩陣時的解出現明顯震蕩，然而此方法并未考慮縮放殘差函數s(t)的實際物理意義，沒有加入物理量的約束，進而在解析腦灌注參數cbf、cbv、mtt、ttp和tmax時，誤差顯著增大。因此，如何優化腦灌注參數解算模型，使得不需要依賴豐富經驗的醫生的參與就能夠準確判斷腦部異常區域，是當前需要解決的技術問題。經驗豐富的醫生可以根據ct圖像造影劑的顯影情況看出低密度病灶、腦血流量和局部變形，而經驗不足的醫生難以準確判斷上述表現，易出現誤判。

2、針對現有技術之不足，本發明從第一方面提供一種基于非負最小二乘法的腦灌注參數解算方法，方法包括：將圖像進行預處理以獲得ct值函數；基于方差閾值法計算濃度曲線和濃度函數；基于非負最小二乘法對濃度函數進行反卷積以構建縮放殘差函數；基于縮放殘差函數解析腦灌注參數。

3、由于縮放殘差函數s(t)的值代表動脈血液進入感興趣區的瞬時貢獻與留存效應的影響的分數值，反卷積的解s(t)為非負。因此，為了優化最小二乘法的結果，加入了非負約束條件。此方法考慮了縮放殘差函數s(t)的物理意義，在保證解最優且平滑的同時，滿足了實際物理量的約束條件。此外，本發明避免了需要有豐富經驗的醫生的參與，大大節省了資源，提高了醫務人員的工作效率。

4、根據一個優選實施方式，將圖像進行預處理以獲得ct值函數的方法包括：將圖像的像素值轉換為ct值，將ct值函數進行插值處理。通過圖像預處理，能夠減少圖像噪聲，優化對ct值圖的分析；增加密度曲線的精度，灌注參數的計算結果誤差更小。

5、根據一個優選實施方式，基于方差閾值法計算濃度曲線的公式包括：其中，var(t)表示每個時間幀的ct值的方差，n表示整個ct函數時間幀的長度，表示與時間幀t時刻對應的ct值，p表示ct值的均值。

6、相比于現有技術，本發明從數學角度更精確地識別造影劑注入動脈的時間，從而使濃度函數誤差更小，灌注參數的計算結果更準確。

7、根據一個優選實施方式，基于方差閾值法計算濃度函數的方法包括：在確定濃度曲線的情況下，選擇方差閾值并將小于方差閾值的時間幀記為噪聲，將大于方差閾值的開始的時間幀記為造影劑注入動脈的時間b；計算濃度函數的公式包括：c(t)＝kc(μ(tj+b-1)-μ0)；其中，c(t)表示濃度函數，kc表示系數，μ表示x射線衰減信號，μ0表示在造影劑注入動脈之前至時間b的時間段內計算的μ的平均值。

8、本發明通過該濃度函數的計算過程，可以根據ct圖像求得動脈造影劑濃度函數和感興趣區造影劑濃度函數。由于反卷積的特點，這兩個濃度函數微小的誤差會造成反卷積結果較大的誤差。

9、根據一個優選實施方式，構建縮放殘差函數的方法包括：基于解析公式構建縮放殘差函數，解析公式為：cvoi(t)＝(cart*s)(t)；其中，cvoi(t)表示感興趣區造影劑濃度，cart(t)表示動脈造影劑濃度；s(t)表示解析得到的所述縮放殘差函數。

10、本發明的縮放殘差函數考慮了實際物理量的物理意義，更符合本發明要解決的問題，使結果更符合實際情況。該方法在保證解最優且平滑的同時，滿足了實際物理量的約束條件。

11、根據一個優選實施方式，基于縮放殘差函數解析腦灌注參數的方法包括：

12、根據縮放殘差函數分別解析腦灌注參數cbf、cbv和mtt；

13、

14、cbf＝(1/ρ)*max(s(t))；

15、

16、其中，a表示由動脈造影劑濃度cart(t)構成的一維向量，c表示感興趣區造影劑濃度cvoi(t)；s(t)表示解析得到的縮放殘差函數；ρ表示實質、間質空間及毛細血管床的平均密度；t表示血細胞通過毛細血管床的傳輸時間；β表示正則化參數，l表示一階差分矩陣；s表示s(t)。

17、通過縮放殘差函數解析得到的腦灌注參數cbf、cbv和mtt，計算結果更符合實際情況。由于考慮了縮放殘差函數s(t)的物理意義，加入了非負約束。該方法在保證解最優且平滑的同時，滿足了實際物理量的約束條件。根據一個優選實施方式，方法還包括：基于腦灌注參數cbf、cbv和mtt生成與其坐標對應的ctp腦部偽彩圖，基于ctp腦部偽彩圖勾畫灌注異常的腦部區域或者計算梗死核心面積。

18、利用本發明的腦灌注參數cbf、cbv和mtt生成的ctp腦部偽彩圖，避免了需要有豐富經驗的醫生的參與，大大節省了資源，提高了醫務人員的工作效率。

19、本發明從第二發明還提供一種基于非負最小二乘法的腦灌注參數解算系統，包括處理單元，處理單元被配置為：將圖像進行預處理以獲得ct值函數；基于方差閾值法計算濃度曲線和濃度函數；基于非負最小二乘法對濃度函數進行反卷積以構建縮放殘差函數；基于縮放殘差函數解析腦灌注參數。本發明的處理單元，解析出的腦灌注參數符合實際情況。在該發明待解決的問題中，縮放殘差函數s(t)的值代表動脈血液進入感興趣區的瞬時貢獻與留存效應的影響分數值，該方法考慮了縮放殘差函數s(t)的物理意義，加入了非負約束。在保證解最優且平滑的同時，滿足了實際物理量的約束條件此外，本發明避免了需要有豐富經驗的醫生的參與，大大節省了資源，提高了醫務人員的工作效率。

20、根據一個優選實施方式，處理單元還被配置為：基于解析公式構建縮放殘差函數，解析公式為：cvoi(t)＝(cart*s)(t)；其中，cvoi(t)表示感興趣區造影劑濃度，cart(t)表示動脈造影劑濃度；s(t)表示解析得到的所述縮放殘差函數。

21、本發明的縮放殘差函數能夠更好應對動脈造影劑濃度構成的塊狀循環矩陣為病態矩陣導致的反卷積計算結果，也就是殘差函數震蕩明顯的情況。

22、根據一個優選實施方式，處理單元還被配置為：根據縮放殘差函數分別解析腦灌注參數cbf、cbv和mtt；

23、

24、cbf＝(1/ρ)*max(s(t))；

25、

26、其中，a表示由動脈造影劑濃度cart(t)構成的一維向量，c表示感興趣區造影劑濃度cvoi(t)；s(t)表示解析得到的縮放殘差函數；ρ表示實質、間質空間及毛細血管床的平均密度；t表示血細胞通過毛細血管床的傳輸時間；β表示正則化參數，l表示一階差分矩陣；s表示s(t)。通過縮放殘差函數求積分和求極值得到的腦灌注參數cbf、cbv、mtt、ttp和tmax，該計算結果更符合實際情況。該方法考慮了縮放殘差函數s(t)的物理意義，加入了非負約束。在保證解最優且平滑的同時，滿足了實際物理量的約束條件。